所谓Skill，不过是包装好的Prompt

Skill 不是什么新东西，它就是一段 prompt，只不过套了层壳：有名字、有触发条件、不用的时候不占地方。看完本篇文章，大家应该会对两者有清晰的认识。

先说清楚 Skill 长什么样

一个 Skill 就是一个文件夹。最简单的情况只有一个文件，复杂的可以带脚本和资源：

stock-price/ ← 文件夹名（就是 skill 的 ID）├── SKILL.md ← 【必须】唯一必须有的文件├── scripts/ ← 【可选】脚本，干活用的代码│ └── fetch_quote.py├── references/ ← 【可选】参考资料，需要时加载到 context 里看│ └── API_FORMAT.md└── assets/ ← 【可选】模板、图标等输出用的素材 └── report_template.html

各部分是干嘛的：

可选部分详细说明（带最简完整实例）

scripts/ — 放脚本，agent 直接跑

什么时候用：同一个操作每次都一样，让 agent 重写一遍太蠢，不如直接跑现成脚本。

完整例子 — 一个 PDF 转图片的 skill：

文件夹结构：

pdf-to-image/├── SKILL.md└── scripts/ └── convert.sh

完整SKILL.md：

---name: pdf-to-imagedescription: 把 PDF 的指定页转成 PNG 图片metadata: {"openclaw": {"requires": {"bins": ["pdftoppm"]}}}---# PDF 转图片用户想把 PDF 某一页变成图片时，按以下步骤操作：1. 确认用户提供了 PDF 文件路径，如果没提供就问2. 确认要转第几页（默认第 1 页）3. 执行脚本：exec: bash {baseDir}/scripts/convert.sh <PDF路径><页码><输出路径>输出路径默认用 PDF 同目录下的 `output.png`。4. 完成后告诉用户图片保存在哪

完整scripts/convert.sh：

#!/bin/bash# 用法: convert.sh input.pdf page_number output.pngPDF="$1"PAGE="${2:-1}"OUT="$3"pdftoppm -png -f "$PAGE" -l "$PAGE" "$PDF" > "$OUT"echo "已转换: 第${PAGE}页 → ${OUT}"

对比不用脚本：如果不放脚本，agent 每次都得自己拼pdftoppm -png -f 1 -l 1 ...这行命令。参数顺序容易记混，有脚本就一句话搞定。

references/ — 放参考资料，需要时才看

什么时候用：有些信息太长不适合全塞进 SKILL.md（会让正文太臃肿），但 agent 干活时可能需要查。

完整例子 — 一个查股价的 skill，API 返回格式复杂：

文件夹结构：

stock-price/├── SKILL.md└── references/ └── response_format.md

完整SKILL.md：

---name: stock-pricedescription: 查询股票实时价格metadata: {"openclaw": {"requires": {"env": ["STOCK_API_KEY"]}}}---# 查股价当用户问某只股票的价格时：1. 拼接请求 URL：https://api.stockdata.com/v1/quote?symbol={股票代码}&token=$STOCK_API_KEY2. 用 web_fetch 访问该 URL3. 从返回的 JSON 中提取 price 字段4. 告诉用户："{股票名} 当前价格 {price} {currency}"常见股票代码：- 腾讯: 0700.HK- 阿里: BABA- 茅台: 600519.SS如果用户问涨跌幅、成交量等更多信息，先 read {baseDir}/references/response_format.md 了解全部可用字段。

完整references/response_format.md：

# API 返回格式返回示例：{ "symbol": "0700.HK", "name": "腾讯控股", "price": 388.2, "currency": "HKD", "open": 390.0, "high": 392.5, "low": 386.0, "close_yesterday": 389.7, "change": -1.5, "change_pct": -0.38, "volume": 12345678, "market_cap": 3720000000000, "timestamp": "2026-05-09T14:30:00Z"}字段说明：- price: 最新价（延迟约 15 分钟）- change_pct: 涨跌百分比，已经乘过 100（-0.38 表示跌了 0.38%）- volume: 成交量（股）- market_cap: 总市值（当地货币）- 港股 symbol 格式: XXXX.HK- A股 symbol 格式: XXXXXX.SS（沪）/ XXXXXX.SZ（深）

为什么拆开：大部分时候用户只问"腾讯多少钱"，agent 只要提取 price 就行，那段 15 行的格式说明根本用不到。拆到 references 里 = 90% 的情况下省掉这些 token，需要时再 read 进来。

assets/ — 放模板和素材，生成结果时用

什么时候用：agent 要输出固定格式的东西，与其让它每次凭空编，不如给个模板让它填空。

完整例子 — 生成工作日报的 skill：

文件夹结构：

daily-report/├── SKILL.md└── assets/ └── template.md

完整SKILL.md：

---name: daily-reportdescription: 按固定模板生成工作日报---# 生成工作日报当用户说"写日报"或"生成今天的日报"时：1. 读取模板：read {baseDir}/assets/template.md2. 问用户今天做了什么（如果用户已经说了就不用问）3. 按模板格式填充内容4. 输出填好的日报规则：- 日期自动填当天- "风险/阻塞"栏如果用户没提，就填"无"- 每条事项用 - 开头，不编号- 保持模板的标题结构不变

完整assets/template.md：

# {日期} 工作日报**姓名：** {姓名}## 今日完成{逐条列出}## 明日计划{逐条列出}## 风险/阻塞{没有填"无"}

为什么不让 agent 自己编格式：不用模板的话，周一生成的日报有"姓名"栏，周二就忘了加；周三多了个"备注"栏，周四又没了。用模板 = 确保每次输出结构一样，交给领导不会一天一个样。

三者的核心区别

scripts/ → agent 去"跑"的东西（执行代码）references/ → agent 去"看"的东西（查资料理解）assets/ → agent 去"填"的东西（套模板输出）

大部分简单 skill 只需要一个 SKILL.md 就够了。只有当你发现：

• 同样的命令 agent 老写错 → 抽成 script
• 正文太长影响阅读 → 拆到 references
• 输出格式不稳定 → 做个 asset 模板

才需要加可选文件夹。别过度设计。

SKILL.md 的结构

这个文件分两部分：

---name: stock-pricedescription: 查股票实时价格metadata: {"openclaw": {"requires": {"env": ["STOCK_API_KEY"]}}}---# 查股价当用户问某只股票的价格时：1. 用 web_fetch 访问 https://api.example.com/quote?symbol={股票代码}2. 从返回的 JSON 里提取 price 字段3. 告诉用户当前价格如需详细格式说明，read {baseDir}/references/API_FORMAT.md

上面两个---之间的部分叫前置元数据（frontmatter），下面是正文指令。

各字段含义：

metadata 里可以写什么条件

metadata: {"openclaw":{"requires":{ "bins":["python3"], # 系统上必须有这个命令 "env":["STOCK_API_KEY"], # 必须设了这个环境变量 "config":["browser.enabled"]# openclaw.json 里这个配置必须为 true},"os":["darwin","linux"], # 只在这些操作系统上生效"primaryEnv":"STOCK_API_KEY"# 告诉系统这个 skill 的核心 API key 是哪个}}

所有条件都是"不满足就自动隐藏"，不会报错，agent 根本看不到这个 skill 存在。

用一个例子说清楚

假设你想让 agent 有"查股价"的能力。需要告诉它的核心就一句话：

“用户问股票价格时，调 API 拿到实时报价，报给用户。”

下面看同一个需求的两种实现。

做法一：直接写进 AGENTS.md（裸 prompt）

打开 AGENTS.md，加一段：

## 查股价当用户问股票价格时，用 web_fetch 访问 https://api.example.com/quote?symbol={代码}，从返回 JSON 提取 price 字段，告诉用户当前价格。

实际发生了什么：

用户: "帮我看个代码bug"系统 prompt 里有： ├── SOUL.md（200字） ├── AGENTS.md（500字，包含查股价那段） ← 占着位子 ├── USER.md（100字） └── ...→ 查股价那段话跟着进了 context，即使这轮根本没人问股票→ 下一轮还是跟着进→ 每一轮都跟着进→ 白白烧 token ``````plaintext 用户: "腾讯现在多少钱"系统 prompt 里有： ├── SOUL.md（200字） ├── AGENTS.md（500字，包含查股价那段） ← 这次终于用上了 └── ...→ agent 看到指令，调 API，汇报结果 ✅

感受：就像你把菜谱贴在冰箱门上。不管你今天做不做饭，每次开冰箱都看到那张纸。纸少还行，贴满了就烦了。

做法二：包成 Skill

创建文件夹和文件：

skills/stock-price/SKILL.md

内容：

---name: stock-pricedescription: 查股票实时价格---# 查股价当用户问股票价格时，用 web_fetch 访问 https://api.example.com/quote?symbol={代码}，从返回 JSON 提取 price 字段，告诉用户当前价格。

实际发生了什么：

用户: "帮我看个代码bug"系统 prompt 里有： ├── SOUL.md（200字） ├── AGENTS.md（400字，没有查股价内容了） ├── 可用技能列表： │ └── stock-price: "查股票实时价格" ← 只有这一行摘要！ └── ...→ agent 看到列表里有个 stock-price skill，但这轮不需要→ 不读，不加载，那段指令根本不进 context→ 省了 ``````plaintext 用户: "腾讯现在多少钱"系统 prompt 里有： ├── SOUL.md（200字） ├── AGENTS.md（400字） ├── 可用技能列表： │ └── stock-price: "查股票实时价格" ← agent 判断：这次跟股票有关，加载它 └── ...→ agent 调用 read("skills/stock-price/SKILL.md")→ 读到完整指令→ 调 API，汇报结果 ✅

感受：就像你把菜谱收进抽屉。要做饭的时候拉开抽屉看一眼，不做饭的时候桌面干干净净。

同一段文字，两种命运

Skill 多出来的"壳"给你什么

那层包装不只是省 token，还附赠了几个好处：

1. 条件加载（用不了就别显示）

metadata: {"openclaw": {"requires": {"env": ["STOCK_API_KEY"]}}}

没配 API key？这个 skill 自动从列表里消失。agent 根本不知道有这个能力存在，也就不会试着用它然后报错。

裸 prompt 做不到——写进 AGENTS.md 就永远在那儿，不管环境有没有准备好。

2. 开关（一行配置禁用）

{"skills": {"entries": {"stock-price": {"enabled": false}}}}

不想要了？改一行配置。不用去 AGENTS.md 里翻半天找哪段是查股价的然后小心翼翼删掉。

3. 可分享

你写的 skill 可以发到 ClawHub，别人clawhub install stock-price一键用上。AGENTS.md 里的内容没法这么分享。

4. 隔离

改 skill 不影响你的核心 prompt；改核心 prompt 不影响 skill。各管各的，互不干扰。

什么时候别包成 Skill

有些东西必须每轮都在：

• “用中文回复” → 不能按需加载，时刻生效
• “简洁，别说废话” → 同上
• “你叫小助手” → 身份不能选择性加载
• “遇到不确定的先问我” → 安全规则必须常驻

这些就该写在 SOUL.md / AGENTS.md 里。如果 agent 某一轮"忘了"自己该用中文，那就出事了。

判断方法很简单：这段话如果某一轮 agent 没看到，它会不会做出不对的行为？

• 会 → 写 prompt，常驻
• 不会 → 包成 skill，按需加载

最后打个比方

AGENTS.md / SOUL.md = 你脑子里时刻记着的东西 （你叫什么、在哪上班、基本三观）Skill = 你书架上的那些工具书 （要用的时候翻一下，不用的时候不占脑子）

本质都是"知识"，区别只是：常驻内存 vs 放硬盘按需读取。

Skill 就是被包了个壳的 prompt，仅此而已。

Hi！我是你的全能写作助手，只需一句话交

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】